AI作业7-卷积

一、简述概念

1.卷积：卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一 。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络” 。

2.卷积核：就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。

3.多通道：是指在卷积神经网络中，输入数据和卷积核可以有多个通道。例如，在RGB图像中，每个像素点有三个通道，分别表示红色、绿色和蓝色。

4.特征图：在卷积神经网络中，卷积操作的输出结果被称为特征图。

5.特征选择：也称特征子集选择或属性选择。是指从已有的M个特征中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。

二、探究不同卷积核的作用，研究背后的原理：

       不同的卷积核可以提取不同的特征响应，这些响应可以组合成更高层次的特征表示。同时，卷积核的大小和步长等参数也会影响到卷积操作的效果。通常，更大的卷积核可以提取更多的特征，但会增加计算量，更小的卷积核可以提取更局部的特征，但可能会丢失更全局的信息。步长决定了卷积核的移动距离，更大的步长可以加快计算速度，但可能会导致信息丢失。

三、编程实现：灰度图的边缘检测、锐化、模糊：

原图

处理后：

卷积为什么可以提取特征：

卷积神经网络CNN实际上是通过带有label的训练数据来train由一个个特征判断系统中的运算法则，对于图像特征提取而言，系统的运算法则可能比较复杂，通过卷积的方式将复杂判断系统的运算法则变为一个个易于计算的卷积核，从而更方便地提取图像特征，完成对图像的分析与处理。